WHO与CDC主要疾病句子级公共卫生信息数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.16731657

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 11.1 KB。

数据说明

该数据集全面收集了100多条独特的、句子级别的公共卫生事实，直接摘自世界卫生组织（WHO）和美国疾病控制与预防中心（CDC）的官方实况报道。每条记录均编号并以JSON格式存储，包含一条独立完整的陈述，涉及登革热、疟疾、COVID-19、结核病、HIV/AIDS、霍乱、季节性流感、寨卡病毒等全球重大疾病的症状、病因、传播方式或预防措施。所有文本块均通过程序从源页面的元素中提取，经分词处理为句子，过滤掉导航性模板内容，并去重以确保清晰与准确。

来源网址：WHO 登革热和重症登革热：https://www.who.int/news-room/fact-sheets/detail/dengue-and-severe-dengue WHO 疟疾：https://www.who.int/news-room/fact-sheets/detail/malaria WHO COVID-19：https://www.who.int/emergencies/diseases/novel-coronavirus-2019 CDC 登革热：https://www.cdc.gov/dengue/healthcare-providers/index.html CDC 疟疾：https://www.cdc.gov/malaria/about/index.html CDC COVID-19：https://www.cdc.gov/coronavirus/2019-ncov/your-health/about-covid-19.html 研究人员、教育工作者和健康信息学应用可以利用这一结构化资源库，快速检索关键疾病事实、集成到 RAG 流程中，或作为面向公共卫生的 NLP 模型的训练数据。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。